怎么利用 Math.random() 配合权重变量实现不均匀概率的任务分配器算法
利用权重构建累积概率区间,将Math.random()生成的随机数映射到对应区间即可实现按权重的任务分配。顺序查找适用于少量任务,大量任务时可用二分查找优化性能。注意避免直接使用权重相乘导致概率失真,高精度场景可改用整数随机数。权重动态调整时,重新计算累积概率数组即可。
怎么利用 Math.random() 配合权重变量实现不均匀概率的任务分配器算法

想让任务分配器“看人下菜碟”,根据预设的权重来决定谁先谁后?一个经典且高效的思路是:先把权重换算成一系列不重叠的概率区间,然后让随机数去“投飞镖”,扎中哪个区间,就执行对应的任务。
把权重归一化为累积概率区间
道理其实很简单。假设我们有三个任务:A、B、C,想让它们被选中的机会分别是3、5、2份。第一步,算个总份数出来:3+5+2=10。接下来,关键操作来了——计算累积概率上界:
- 任务A:份额是3,占总份数的 3/10 = 0.3。所以,它的“地盘”是区间 [0, 0.3)。
- 任务B:份额是5,累积份额到了 (3+5)=8,占总份数的 8/10 = 0.8。它的地盘就是 [0.3, 0.8)。
- 任务C:最后份额是2,累积份额满额10,对应 10/10 = 1.0。它的区间是 [0.8, 1.0)。
你看,这样一来,三个任务就把从0到1(不含1)这条线段,严丝合缝地瓜分完了,而且彼此不重叠。
用 Math.random() 查找命中区间
接下来就是“投飞镖”环节。Math.random() 会生成一个 [0, 1) 范围内的随机浮点数。我们的任务就是找到这个随机数落在哪个任务的区间里。
最直接的方法是顺序遍历:从第一个任务开始,检查随机数是否小于其累积概率上界,一旦满足,它就是那个“幸运儿”。
const weights = [3, 5, 2];
const tasks = ['A', 'B', 'C'];
// 构建累积概率数组
const total = weights.reduce((a, b) => a + b, 0);
const cumProbs = [];
let sum = 0;
for (const w of weights) {
sum += w / total;
cumProbs.push(sum);
}
// 抽取任务
function selectTask() {
const r = Math.random();
for (let i = 0; i < cumProbs.length; i++) {
if (r < cumProbs[i]) return tasks[i];
}
}
优化:用二分查找提升大数据量性能
顺序查找在任务不多时没问题,但如果任务列表膨胀到成百上千个,每次都要从头遍历,效率就低了。好消息是,我们生成的累积概率数组天然是有序递增的,这正好是二分查找大展身手的舞台。
- 数据结构完全不用变,还是那个
cumProbs数组。 - 只需要写一个二分查找函数,快速定位第一个大于等于随机数
r的索引位置。 - 效果立竿见影:对于1000个任务,平均查找次数能从大约500次骤降到10次左右,性能提升非常可观。
注意事项与常见坑
第一个坑:别图省事直接用 Math.random() * weight。这方法听起来好像也对,但实际会导致概率分布扭曲,高权重的任务会过度重叠,低权重的则被严重挤压,最终结果完全不成比例。
第二个提醒:浮点精度问题。一般情况下,Ja vaScript的浮点数误差可以忽略不计。但如果是在金融、游戏等对概率极其敏感的场景,可以考虑改用整数随机:先 Math.floor(Math.random() * total) 得到一个整数随机值,然后在用整数权重构建的前缀和数组里查找,这样能完全避免浮点误差。
最后,这个方案非常灵活。如果任务权重需要动态调整(比如根据服务器实时负载来分配),完全没问题。只需要在每次选择前,根据最新的权重重新计算一次累积概率数组即可,整个架构可以轻松适应这种变化。
































